一种回转窑烧成带温度软测量方法与流程

本发明涉及自动化测量技术领域，尤其涉及回转窑烧成带温度的软测量方法。

背景技术：

水泥是建筑工程的重要基础材料之一。新型干法水泥生产工艺流程主要包括：生料制备、熟料煅烧、水泥制成及出厂。其中，熟料煅烧环节是水泥生产的重要环节，水泥熟料质量的关键是回转窑烧成带温度的控制。由回转窑窑头喷入煤粉主要用于加热水泥生料，使之温度达到1350到1450摄氏度，回转窑烧成带温度对熟料质量极为重要，温度过高，生成的液相量过多，黏度较小，给烧结反应带来了困难，同时过高温度对设备损耗较大；温度过低，成的液相量较少，烧结反应几乎停滞，生成的熟料质量差，不达标。由于回转窑烧成带温度与产品质量和能耗关系密切，因此，如何有效检测烧成带温度，对水泥生产的精细化操作具有重要意义。

对于回转窑烧成带温度检测具有重要意义。首先，提供实时的烧成带温度值，便于操作员对回转窑工况的判断，更好地实现回转窑精细化控制；其次可以通过控制合理的温度，有利于保护窑衬，稳定的热工制度，延长设备的使用寿命。同时，可以降低温室气体排放，保护环境，减少有害的nox和co气体的产生，达到要求的环保指标。

现有的回转窑烧成带温度主流为硬件检测和软件检测。硬件检测主要有比色温度计以及窑筒体扫描等方法。其中，比色温度计属于直接检测方法，窑内恶劣环境会影响比色温度计的检测精度，同时传感器寿命不长，可检测的有效范围比较小；窑筒体扫描属于间接检测，容易受环境影响，并且窑内运行状况不同对检测结果影响较大。软件检测主要包括基于机理模型和基于数据的软测量建模以及图像识别的方法，基于机理模型方法主要通过质量守恒和能量守恒来推算出烧成带温度，解释性强，但机理复杂，存在不可检测的环节；基于数据驱动软测量建模主要有bp神经网络，支持向量机等方法，采用输入输出数据进行建模，简单易行，具有较强的鲁棒性。但现有方法未充分利用子模型间的相似性信息进行输出估计。

技术实现要素：

本发明旨在提供一种基于模型迁移的回转窑烧成带温度软测量方法。

本发明提供一种回转窑烧成带温度的软测量方法，所述方法包括：以窑头温度模型ybase1和窑尾温度模型ybase2为基础模型，通过模型迁移得到烧成带温度模型ynew，以进行烧成带温度预测；

ybase1＝f(xbase1)，ybase2＝f(xbase2)

ynew＝f(ybase1,ybase2)。

在另一优选例中，所述窑头温度模型和窑尾温度模型分别根据现场数据采用基于即时学习的最小二乘支持向量机建模获得。

在另一优选例中，经过即时学习(justintime,jit)策略挑选样本后，采用最小二乘支持向量机(leastsquaresvm，lssvm)进行建模，得到窑尾温度和窑头温度模型。

在另一优选例中，所述即时学习策略包括步骤：

(a)相似样本选择；

(b)使用相似样本进行局部建模；和

(c)更新数据库。

本发明还提供一种回转窑烧成带温度的软测量方法，所述方法包括：

(1)选取辅助变量并对获得的过程数据进行鲁棒多变量预处理；

(2)将经预处理的数据经过即时学习(justintime,jit)策略挑选建模样本后，采用最小二乘支持向量机(leastsquaresvm，lssvm)进行建模，得到窑头温度模型和窑尾温度模型的模型；和

(3)以窑头温度模型和窑尾温度模型为基础模型ybase1和ybase2，通过模型迁移得到烧成带温度模型ynew进行烧成带温度预测；

ybase1＝f(xbase1)，ybase2＝f(xbase2)

ynew＝f(ybase1,ybase2)。

在另一优选例中，对于窑尾温度模型，所述辅助变量为分解炉下料管温度、窑尾烟室压力和窑主机电流；对于窑头温度模型，所述辅助变量为窑主机电流、窑头三次风温度和篦冷机一室压力。

在另一优选例中，所述数据的预处理包括对采集的数据进行异常点剔除；采用马氏距离(mahalanobisdistance)来描述各变量，

其中c为输入数据之间的协方差矩阵，为输入数据的均值；

采用卡方分布来判断是否为离群点，如果则认为是离群点；如果则认为是正常点。

在另一优选例中，所述最小二乘支持向量机表达形式为其中k(xi,xj)为核函数；核函数为径向基核函数，k(xi,xj)＝exp(-(x-y)²/2δ²)。

在另一优选例中，所述方法还包括根据模型预测误差采用偏差校正法对烧成带温度模型进行校正。

据此，本发明提供的方法充分利用子模型间的相似性信息进行输出估计。

附图说明

图1是水泥烧成系统全流程图。

图2是窑尾温度软测量模型图。

图3是窑头温度软测量模型图。

图4是基于过程相似性的模型迁移策略图。

图5显示采用鲁棒多变量异常处理对窑尾温度异常点剔除效果。

图6显示采用鲁棒多变量异常处理对窑头温度异常点剔除效果。

图7是窑尾温度预测模型效果图。

图8是窑头温度预测模型效果图。

图9是烧成带温度预测模型效果图。

具体实施方式

本发明基于“过程相似”，通过提取基础模型窑尾温度和窑头温度模型的信息；设计实验，得出基础模型的输入输出关系；采用输出规划的策略进行模型迁移，得到烧成带温度模型。在此基础上，完成了本发明。

本发明提供一种基于模型迁移的回转窑烧成带温度软测量方法，所述方法包括如下步骤：

步骤一，辅助变量选取：对于窑尾温度软测量模型，采用的辅助变量为分解炉下料管温度、窑尾烟室压力和窑主机电流；对于窑头温度软测量模型，采用的辅助变量为窑主机电流、窑头三次风温度和篦冷机一室压力。

步骤二，数据预处理：对采集的数据采用鲁棒多变量技术进行异常点剔除，该方法剔除数据时充分考虑了变量间的相关性，而传统的拉依达准则没有考虑到变量间的相关性。

步骤三，数据建模：对预处理后的数据采用即时学习策略进行建模样本选择，采用的建模方法为最小二乘支持向量机，得到窑尾温度软测量模型和窑头温度软测量模型。

步骤四，模型迁移：采用基于过程相似性的迁移建模方法，定义窑头、窑尾温度模型为基础模型，烧成带温度模型为目标模型，采用输出修正规划方法进行模型迁移，最终得到烧成带温度模型。

步骤五，模型校正：利用装置运行过程中采集的数据，根据模型预测误差采用偏差校正法对模型进行校正。

通过对水泥烧成系统的工艺以及过程数据分析，对于窑尾温度软测量模型，采用的辅助变量为分解炉下料管温度、窑主机电流和窑尾烟室压力，分解炉下料管就是回转窑窑尾，下料管温度直接直接影响到窑尾烟室温度，窑主机电流反映窑内烧成状况，主机电流大表示烧成状况好，窑尾烟室压力反应窑内通风状况，综上以上几个辅助变量影响窑尾温度。另外，对于窑头温度软测量模型，采用的辅助变量为窑头三次风温度、篦冷机一室压力和窑主机电流，窑头三次风温度直观反应换热情况，一室篦下压力反映料层厚度，影响着换热效果，从而影响了窑头温度，窑主机电流反映了窑内烧成情况，窑主电机电流越大，烧成状况越好。因此上述步骤一中选择了这些辅助变量。

为了提高模型数据的置信度，上述步骤二采用马氏距离(mahalanobisdistance)来描述各变量，mahalanobisdistance表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系。其中c为输入数据之间的协方差矩阵，为输入数据的均值。

采用卡方分布来判断是否为离群点，卡方分布是检验抽样的样本是否符合指定的概率分布。本发明中鲁棒多变量数据预处理技术采用的准则为：如果则认为是离群点，去除离群点；如果则认为是正常点，具体数值通过查找卡方分布表获得。

上述步骤三需完成两项工作，一是对经预处理的数据样本，采用即时学习策略进行建模样本筛选；二是将筛选后样本采用最小二乘支持向量机得到窑尾温度模型和窑头温度模型，即进行步骤四的两个基础模型。

即时学习策略是一种常用的非线性建模策略，策略思想来源于数据库技术和局部建模技术。相比于全局模型和传统局部模型表征工况单一，即时学习策略针对大范围变化的过程以及强非线性的过程有良好的建模效果。

即时学习策略基本思想是从历史累积数据中，找出与当前查询样本模态相匹配的数据样本用于局部建模，从而能够取得更好的建模精度。样本之间的相似度度量常采用欧氏距离：

其中，xq表示待预测的查询样本输入，样本之间的欧氏距离越大，表明样本之间的相似度越低，因而被选择为局部建模样本的可能性就越低。即时学习策略步骤如下：

第一步，相似样本选择，新样本和数据库查询样本进行欧式距离度量，距离的大小表明了相似性的大小，欧氏距离表达式如

第二步，计算距离后，根据距离大小进行排序，基于水泥过程数据特性，在本发明的一种实施方式中，选择排序前70％的样本进行局部建模；

第三步，选择相似样本后，去掉最开始进入数据库的数据，添加新的点进入数据库，在本发明的一种实施方式中，对于窑尾、窑头温度模型的数据库容量选择300个数据点，可以有效更新数据库、保证效果同时减少运算时间。

采用最小二乘支持向量机建模方法对窑尾、窑头温度进行建模。

采用拉格朗日法求解最小二乘支持向量机优化问题

最小二乘支持向量机表达形式为其中k(xi,xj)为核函数，本发明采用核函数为径向基核函数，k(xi,xj)＝exp(-(x-y)²/2δ²)。

其中需要确定的参数为γ和δ，本发明针对窑尾温度的最小二乘支持向量机参数：γ＝10，δ＝10；针对窑头温度的最小二乘支持向量机参数：γ＝20，δ＝5。

采用基于过程相似性的迁移建模方法，定义窑头、窑尾温度模型为基础模型，需要得到的烧成带温度模型为新模型，进而利用输入输出修正规划方法进行模型迁移。其基本步骤：基础模型窑尾温度和窑头温度模型的信息提取；设计实验，得出基础模型的输入输出关系；对基础模型和目标模型进行差异评估；采用输出规划的策略进行模型迁移；对模型进行模型验证。

基础模型为窑头温度模型ybase1和窑尾温度模型ybase2，基础模型信息与新模型信息具有相似性，例如当窑烧成状况良好，烧成带温度高，同时窑头、窑尾温度也会偏高；当窑烧成状况较差，烧成带温度低，同时窑头、窑尾温度也会偏低，因此基础模型信息和新模型信息具有相似性。烧成带温度新模型为回转窑烧成带温度模型ynew。

ybase1＝f(xbase1)，ybase2＝f(xbase2)

ynew＝f(ybase1,ybase2)

采用实际现场数据，利用基于即时学习策略的最小二乘支持向量机算法进行预测，即时学习数据库选择30，最小二乘支持向量机参数：γ＝20，δ＝5。

上述步骤五在模型运行过程中采用新数据对模型进行修正，根据模型预测误差采用偏差校正法对模型进行校正。

其中为当前时刻校正后的输出值，为当前时刻模型输出的预测值，k为校正系数，y(t-1)和为前一个时刻真实值和模型输出的预测值。其中，校正系数尤其重要，将6个小时定义为一个时段，校正系数为当前时段模型误差和前一时段的模型误差相除求得，

其中y(ti)为当前时段内数据，为当前时段内预测值的平均值；y(ti-t)为前一时段内数据，为前一时段内预测值的平均值，k＝mean(ki)，将ki取平均即可得到修正系数。

在本发明的一种实施方式中，采用测试集数据对烧成带温度新模型进行模型验证。

本发明提到的上述特征，或实施例提到的特征可以任意组合。本案说明书所揭示的所有特征可与任何组合物形式并用，说明书中所揭示的各个特征，可以任何可提供相同、均等或相似目的的替代性特征取代。因此，除有特别说明，所揭示的特征仅为均等或相似特征的一般性例子。

本发明的主要优点在于：

1、基于过程相似性进行模型迁移，可以在已经建立的模型基础上，利用较少的数据建立相似过程的新模型。

2、采用鲁棒多变量数据预处理技术，考虑了决策变量之间的相关性，使得训练模型数据质量更高。

3、将即时学习策略和最小二乘支持向量机建模算法有效结合，能够使得模型更好地适应工况的频繁变化。

4、本发明提供的方法可以有效降低硬件成本。

5、本发明提供的回转窑烧成带温度软测量方法可以有效预测现场难以实时测量的烧成带温度。

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。除非另外说明，否则所有的百分数、比率、比例、或份数按重量计。本发明中的重量体积百分比中的单位是本领域技术人员所熟知的，例如是指在100毫升的溶液中溶质的重量。除非另行定义，文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。此外，任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。

实施例1

图5、图6为采用鲁棒多变量异常处理对窑尾温度、窑头温度异常点剔除效果，参数选择0.95。如果则认为是离群点，去除离群点；如果则认为是正常点。预处理后的正常数据用于窑尾温度和窑头温度建模。

实施例2

图7为窑尾温度预测模型效果图，即时学习数据库选择300，最小二乘支持向量机参数：γ＝10，δ＝10。

实施例3

图8为窑头温度预测模型效果图，即时学习数据库选择300，最小二乘支持向量机参数：γ＝20，δ＝5。

实施例4

图9为烧成带温度预测模型效果图，根据实施例2和3分别得到的窑尾温度模型和窑头温度模型，基于即时学习策略的最小二乘支持向量机算法对烧成带温度进行预测，即时学习数据库选择30，最小二乘支持向量机参数：γ＝20，δ＝5。

以上所述仅为本发明的较佳实施例而已，并非用以限定本发明的实质技术内容范围，本发明的实质技术内容是广义地定义于申请的权利要求范围中，任何他人完成的技术实体或方法，若是与申请的权利要求范围所定义的完全相同，也或是一种等效的变更，均将被视为涵盖于该权利要求范围之中。